論文の概要: Predicting Hurricane Evacuation Decisions with Interpretable Machine
Learning Models
- arxiv url: http://arxiv.org/abs/2303.06557v1
- Date: Sun, 12 Mar 2023 03:45:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 18:13:39.699976
- Title: Predicting Hurricane Evacuation Decisions with Interpretable Machine
Learning Models
- Title（参考訳）: 解釈可能な機械学習モデルによるハリケーン避難の予測
- Authors: Yuran Sun, Shih-Kai Huang, Xilei Zhao
- Abstract要約: 本研究では,容易にアクセス可能な人口動態と資源関連予測器によって構築された世帯の避難決定を予測するための新しい手法を提案する。
提案手法は,避難交通需要の推計を改善するため,緊急管理当局に新たなツールと枠組みを提供する可能性がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The aggravating effects of climate change and the growing population in
hurricane-prone areas escalate the challenges in large-scale hurricane
evacuations. While hurricane preparedness and response strategies vastly rely
on the accuracy and timeliness of the predicted households' evacuation
decisions, current studies featuring psychological-driven linear models leave
some significant limitations in practice. Hence, the present study proposes a
new methodology for predicting households' evacuation decisions constructed by
easily accessible demographic and resource-related predictors compared to
current models with a high reliance on psychological factors. Meanwhile, an
enhanced logistic regression (ELR) model that could automatically account for
nonlinearities (i.e., univariate and bivariate threshold effects) by an
interpretable machine learning approach is developed to secure the accuracy of
the results. Specifically, low-depth decision trees are selected for
nonlinearity detection to identify the critical thresholds, build a transparent
model structure, and solidify the robustness. Then, an empirical dataset
collected after Hurricanes Katrina and Rita is hired to examine the
practicability of the new methodology. The results indicate that the enhanced
logistic regression (ELR) model has the most convincing performance in
explaining the variation of the households' evacuation decision in model fit
and prediction capability compared to previous linear models. It suggests that
the proposed methodology could provide a new tool and framework for the
emergency management authorities to improve the estimation of evacuation
traffic demands in a timely and accurate manner.
- Abstract（参考訳）: 気候変動による人口増加の影響は、大規模なハリケーン避難の課題をエスカレートさせる。
ハリケーンの準備と対応戦略は、予測された世帯の避難決定の正確さとスケジュールに大きく依存するが、心理学駆動の線形モデルを含む現在の研究は、実際はいくつかの重要な制限を残している。
そこで本研究は, 人口動態や資源関連予測者によって構成される世帯の避難判断を, 心理的要因に依存した現在のモデルと比較し, 新たな予測手法を提案する。
一方、解析可能な機械学習手法により非線形性(一変量および二変量閾値効果)を自動的に説明できる拡張ロジスティック回帰(ELR)モデルを開発し、結果の精度を確保する。
具体的には、臨界しきい値を特定し、透明なモデル構造を構築し、ロバスト性を固めるために、非線形検出のために低深さ決定木を選択する。
次に,Huricanes Katrina と Rita の後に収集された経験的データセットを用いて,新しい方法論の実践性を検討する。
その結果、拡張ロジスティック回帰(ELR)モデルは、モデル適合性における世帯の避難決定の変動と、以前の線形モデルと比較して予測能力を説明する上で最も説得力のある性能を示した。
提案手法は,避難交通需要の推定を時間的かつ正確な方法で改善するための,緊急管理当局のための新しいツールと枠組みを提供する可能性を示唆する。
関連論文リスト
- Learning Long-Horizon Predictions for Quadrotor Dynamics [48.08477275522024]
四元数に対する長軸予測力学を効率的に学習するための鍵となる設計選択について検討する。
逐次モデリング手法は,他のタイプの手法と比較して,合成誤差を最小限に抑える上での優位性を示す。
本稿では,モジュール性の向上を図りながら,学習プロセスをさらに単純化する,疎結合な動的学習手法を提案する。
論文 参考訳（メタデータ） (2024-07-17T19:06:47Z) - Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。
深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。
本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:02:49Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - Understanding, Predicting and Better Resolving Q-Value Divergence in
Offline-RL [86.0987896274354]
まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。
そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。
われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
論文 参考訳（メタデータ） (2023-10-06T17:57:44Z) - HurriCast: An Automatic Framework Using Machine Learning and Statistical
Modeling for Hurricane Forecasting [5.806235734006766]
ハリケーンは、その破壊的な影響により、アメリカにおいて大きな課題を呈している。
これらのリスクを緩和することは重要であり、この取り組みの中心は保険業界である。
本研究では,ARIMAモデルとK-MEANSを組み合わせることで,ハリケーンの傾向をより正確に把握する手法を提案する。
論文 参考訳（メタデータ） (2023-09-12T19:48:52Z) - A Natural Gas Consumption Forecasting System for Continual Learning Scenarios based on Hoeffding Trees with Change Point Detection Mechanism [3.664183482252307]
本稿では,変化点検出統合による天然ガス消費の予測について紹介する。
提案手法に基づく予測モデルの性能を実世界の複雑なユースケースで評価する。
論文 参考訳（メタデータ） (2023-09-07T13:52:20Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - Forecasting COVID-19 daily cases using phone call data [0.0]
本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。
提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
論文 参考訳（メタデータ） (2020-10-05T18:07:07Z) - Green Simulation Assisted Reinforcement Learning with Model Risk for
Biomanufacturing Learning and Control [3.0657293044976894]
バイオ医薬品製造は、複雑さ、高い可変性、長いリードタイム、基礎となるシステムプロセスに関する限られた歴史的データや知識など、重要な課題に直面している。
これらの課題に対処するため,オンライン学習のプロセス支援と動的意思決定の指導を支援するため,グリーンシミュレーションを用いたモデルベース強化学習を提案する。
論文 参考訳（メタデータ） (2020-06-17T14:59:13Z) - A Locally Adaptive Interpretable Regression [7.4267694612331905]
線形回帰は最も解釈可能な予測モデルの一つである。
本稿では,局所適応型解釈型回帰(LoAIR)を導入する。
我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
論文 参考訳（メタデータ） (2020-05-07T09:26:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。